Hovedkomponentanalyse
Hovedkomponentanalyse (PCA) er en uovervåket metode for dimensjonsreduksjon — gitt dens moderne lærebokbehandling av Ian Jolliffe (2002) — som komprimerer høydimensjonale data til færre dimensjoner, samtidig som den maksimerer bevaringen av varians. Den re-uttrykker korrelerte variabler som et lite sett av ukorrelerte hovedkomponenter, ordnet etter hvor mye av dataenes variasjon hver enkelt fanger opp.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Kilder
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/no/machine-learning/pca
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- FaktoranalyseForskningsstatistikk↔ compare
- Hierarkisk grupperingMaskinlæring↔ compare
- Lasso-regresjonMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →